使用Pytorch來(lái)編寫(xiě)神經(jīng)網(wǎng)絡(luò)具有很多優(yōu)勢(shì)，比起Tensorflow，我認(rèn)為Pytorch更加簡(jiǎn)單，結(jié)構(gòu)更加清晰。

希望通過(guò)實(shí)戰(zhàn)幾個(gè)Pytorch的例子，讓大家熟悉Pytorch的使用方法，包括數(shù)據(jù)集創(chuàng)建，各種網(wǎng)絡(luò)層結(jié)構(gòu)的定義，以及前向傳播與權(quán)重更新方式。

比如這里給出

很顯然，這里我們只需要假定

這里我們只需要設(shè)置一個(gè)合適尺寸的全連接網(wǎng)絡(luò)，根據(jù)不斷迭代，求出最接近的參數(shù)即可。

但是這里需要思考一個(gè)問(wèn)題，使用全連接網(wǎng)絡(luò)結(jié)構(gòu)是毫無(wú)疑問(wèn)的，但是我們的輸入與輸出格式是什么樣的呢？

只將一個(gè)x作為輸入合理嗎？顯然是不合理的，因?yàn)槊恳粋€(gè)神經(jīng)元其實(shí)模擬的是wx+b的計(jì)算過(guò)程，無(wú)法模擬冪運(yùn)算，所以顯然我們需要將x，x的平方，x的三次方，x的四次方組合成一個(gè)向量作為輸入，假設(shè)有n個(gè)不同的x值，我們就可以將n個(gè)組合向量合在一起組成輸入矩陣。

這一步代碼如下：

def make_features(x): 
 x = x.unsqueeze(1) 
 return torch.cat([x ** i for i in range(1,4)] , 1) 

我們需要生成一些隨機(jī)數(shù)作為網(wǎng)絡(luò)輸入：

def get_batch(batch_size=32): 
 random = torch.randn(batch_size) 
 x = make_features(random) 
 '''Compute the actual results''' 
 y = f(x) 
 if torch.cuda.is_available(): 
  return Variable(x).cuda(), Variable(y).cuda() 
 else: 
  return Variable(x), Variable(y) 

其中的f(x)定義如下：

w_target = torch.FloatTensor([0.5,3,2.4]).unsqueeze(1) 
b_target = torch.FloatTensor([0.9]) 
 
def f(x): 
 return x.mm(w_target)+b_target[0] 

接下來(lái)定義模型：

class poly_model(nn.Module): 
 def __init__(self): 
  super(poly_model, self).__init__() 
  self.poly = nn.Linear(3,1) 
 
 def forward(self, x): 
  out = self.poly(x) 
  return out 

if torch.cuda.is_available(): 
 model = poly_model().cuda() 
else: 
 model = poly_model() 

接下來(lái)我們定義損失函數(shù)和優(yōu)化器：

criterion = nn.MSELoss() 
optimizer = optim.SGD(model.parameters(), lr = 1e-3) 

網(wǎng)絡(luò)部件定義完后，開(kāi)始訓(xùn)練：

epoch = 0 
while True: 
 batch_x,batch_y = get_batch() 
 output = model(batch_x) 
 loss = criterion(output,batch_y) 
 print_loss = loss.data[0] 
 optimizer.zero_grad() 
 loss.backward() 
 optimizer.step() 
 epoch+=1 
 if print_loss < 1e-3: 
  break 

到此我們的所有代碼就敲完了，接下來(lái)我們開(kāi)始詳細(xì)了解一下其中的一些代碼。

在make_features()定義中，torch.cat是將計(jì)算出的向量拼接成矩陣。unsqueeze是作一個(gè)維度上的變化。

get_batch中，torch.randn是產(chǎn)生指定維度的隨機(jī)數(shù)，如果你的機(jī)器支持GPU加速，可以將Variable放在GPU上進(jìn)行運(yùn)算，類(lèi)似語(yǔ)句含義相通。

x.mm是作矩陣乘法。

模型定義是重中之重，其實(shí)當(dāng)你掌握Pytorch之后，你會(huì)發(fā)現(xiàn)模型定義是十分簡(jiǎn)單的，各種基本的層結(jié)構(gòu)都已經(jīng)為你封裝好了。所有的層結(jié)構(gòu)和損失函數(shù)都來(lái)自torch.nn，所有的模型構(gòu)建都是從這個(gè)基類(lèi) nn.Module繼承的。模型定義中，__init__與forward是有模板的，大家可以自己體會(huì)。

nn.Linear是做一個(gè)線性的運(yùn)算，參數(shù)的含義代表了輸入層與輸出層的結(jié)構(gòu)，即3*1；在訓(xùn)練階段，有幾行是Pytorch不同于別的框架的，首先loss是一個(gè)Variable，通過(guò)loss.data可以取出一個(gè)Tensor，再通過(guò)data[0]可以得到一個(gè)int或者float類(lèi)型的值，我們才可以進(jìn)行基本運(yùn)算或者顯示。每次計(jì)算梯度之前，都需要將梯度歸零，否則梯度會(huì)疊加。個(gè)人覺(jué)得別的語(yǔ)句還是比較好懂的，如果有疑問(wèn)可以在下方評(píng)論。

下面是我們的擬合結(jié)果

其實(shí)效果肯定會(huì)很好，因?yàn)橹皇且粋€(gè)非常簡(jiǎn)單的全連接網(wǎng)絡(luò)，希望大家通過(guò)這個(gè)小例子可以學(xué)到Pytorch的一些基本操作。往后我們會(huì)繼續(xù)更新，完整代碼請(qǐng)戳，https://github.com/ZhichaoDuan/PytorchCourse

以上就是本文的全部?jī)?nèi)容，希望對(duì)大家的學(xué)習(xí)有所幫助，也希望大家多多支持腳本之家。

最新評(píng)論